互联网+已经成为时代发展的主要趋势,在快节奏的当下生活中,如何筛选海量的数据信息,成为当今信息技术领域急需解决的重要科研问题。为了解决这一问题,新闻推荐系统应运而生,本文开发基于改进K-means和卷积神经网络的新闻推荐系统,分别采用基于改进K-means机器学习技术和基于卷积神经网络的深度学习技术,对用户的兴趣进行建模,对新闻的特征进行捕捉,再基于协同过滤的推荐算法对用户进行推荐,可以更加精准的捕捉用户感兴趣的新闻,增加用户体验的同时,提升系统的性能。在基于改进的K-means新闻推荐模型的研究上,考虑对于中文新闻进行推荐。无论是传统的文本表示模型还是新兴的中文表示模型对于中文文本无法很好的表示,基于TF-IDF和K-means的文本表示模型缺陷在于,K-means聚类分析采用的是随机初始化簇中心的算法,让最终的新闻文本模型差强人意。于是在进行K-means文本处理前先对采用TF-IDF计算得到的文本特征向量进行SVD矩阵分解,在数学意义上对文本特征向量进行降维处理,降低空间稀疏性,从物理意义上也是对文本数据进行粗糙分类,再把分类结果作为K-means算法的初始簇中心,提升文本聚类的准确性。再对用户浏览的新闻历史记录进行用户-文本类别偏好建模,对模型采用基于协同过滤的新闻推荐。在基于卷积神经网络的新闻推荐模型的研究上,考虑对于英文新闻进行推荐,把微软MIND新闻数据集的标题作为文本输入,对文本采用Word2vec构建词向量模型,再把每个标题中的词转化为词向量的形式的数据,传送到卷积神经网络CNN模型的输入层,经过卷积、池化、全连接、Soft Max进行分类得到文本的分类结果,再通过对用户浏览的不同类别新闻历史进行建模,构建用户-新闻偏好矩阵,采用协同过滤推荐技术,最终推荐TOP-N新闻序列给用户。在个性化新闻系统实现方面,采用与前台完全分离的架构进行实现,后端则采用Python的Django架构进行算法的设计,而前台采用vue.js进行页面展示,采用My SQL进行数据管理。实现了用户登录权限认证,标签展示,为你推荐,以及热度榜,相似推荐,后台管理等功能。在此系统中,用户可以根据标签去选择感兴趣的新闻,也可以通过热度榜去关注当下火热的数据顶流内容,也可以根据个人偏好选择“为你推荐”的感兴趣的新闻,也可以在文章右侧点击“相似推荐”推荐文章相关的更多新闻数据,推荐方式多样,既能处理用户冷启动难题,推荐标签新闻及即时的热门新闻,也能捕捉用户感兴趣的新闻,使用户有较高的使用体验。